简介:摘要随着我国科技的不断发展,人们生活水平的不断提高,电力已经成为人们生活中不可或缺的一种重要资源。伴随着风力发电功率占我国发电市场比重的日益增大,风速波动的功率对电网能否安全平稳运行造成了不小影响。增加电网旋转储备容量对于解决风电场波动问题有着实质作用,但是这样就导致了电网运行成本的增加。所以,对那些大规模接入风电的电网,风速及风电功率预测就对确保系统平稳安全运行、减少风电消耗开支起到了关键性作用。本文在结合分析国内外很多资料的基础下,对我国目前风速及风电功率的预测方法进行研究,总结分析常用方法的利弊,在对风速及风电功率预测偏差的指标上给出评价,更是对未来我国风速及风电功率的发展道路进行展望。
简介:针对目前超短期风速预测精度不高的问题,提出了一种改进样本加权的SVM超短期风速预测方法。对样本加权中基于距离函数的时间序列相似性度量方法进行改进,在欧式距离的基础上,加入区间变化趋势相似度函数,将欧氏距离和趋势相似度函数按权值组合,构造了新的相似性度量函数。对训练样本进行相空间重构,基于样本相似性因素对训练样本进行加权,建立加权SVM超短期风速预测模型。分别建立随机森林、梯度提升树、SVM以及改进加权SVM超短期风速预测模型,研究表明,对SVM进行改进样本加权后,可以将预测误差从7.61%降为7.46%,有效降低了超短期风速预测误差,验证了该方法的有效性。
简介:超短期风速预测对风电场功率预报系统的建立和运行至关重要。针对具有较大随机波动性的风速预测,研究了一种基于误差修正的极端学习机(ELM)超短期风速预测方法。利用ELM模型对风速进行初步预测,并利用由此得到的误差数据样本建立差分自回归滑动平均模型(ARIMA),进行误差预测,最后使用预测误差对风速的初步预测值进行补正,从而求得最终预测值。仿真实验结果表明,该方法在风速超短期预测中的可行性及有效性。
简介:摘要在电力市场中,风电所占电网的比例越来越大。但由于风的波动及其不可控性,风电场的发电量也在随机变化,风速是影响产能最直接最根本的因素,所以很有必要对其进行预测。本文采用RBF人工神经网络模型对未来短时间风速进行预测。通过对风速反复训练与检测来选择一组合适的模型参数,并对模型进行了误差分析。研究结果表明,使用RBF神经网络对未来风速进行短时间预测能够达到较好效果。
简介:摘要:为了系统研究高铁沿线大风风动特征及风速智能预测模型,以兰新客专沿线某一代表性监测点的部分大风数据为基础,利用HHT变换研究兰新客专沿线大风风动特性,发现大风能量在频域上分布在0 Hz–20 Hz内,在时域上主要集中在0 s-100 s。随后,提出了基于LSTM算法大风风速预测模型,该模型预测模型在的预测结果与实际结果拟合度高,预测结果精确,能够实现大风环境下高速列车的提前紧急处置,进而保障高速列车的运行安全。
简介:摘 要:该设计在介绍 STC12C5410AD高速单片机的性能和特点基础上,通过电路原理图和走线图综合分析本次风速仪的实现原理。其中硬件电路由电源模块、 风叶转动输出脉冲电路、 STC12C5410AD单片机控制电路组成;软件部分由 Keil来编写。